Provides tools for managing Cloudflare resources (Pages, D1, KV, R2, Zones, Workers) via REST API and deploying Pages projects using the wrangler CLI.
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@cloudflare-workspace-mcp show me my Cloudflare Pages and D1 databases"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
一句话：让手机上的 AI 助手拥有真实的命令行工作区，并直接管理你的 Cloudflare 账户（Pages / D1 / KV / R2）。
让手机上的 AI 助手能真正"动手干活"。
普通的 MCP 服务器只给 AI 几个固定函数（查天气、发邮件之类）。这个项目给 AI 的是一个真实的命令行工作区，外加 Cloudflare 账户管理能力。
主要面向安卓端的 AI 助手（RikkaHub、Coomi 等）。在电脑上，AI 助手通常能直接调用本机终端，不太需要这个项目；但在 Android 上 AI 没有独立运行环境，本项目用 proot 沙箱补上——给手机里的 AI 一个完整的 Debian 环境。
场景 | 说明 |
让 AI 写代码并运行 | 手机上让 AI 自己 clone 项目、装依赖、跑命令、看输出 |
部署到 Cloudflare | 手机上让 AI 直接执行 |
管理 Cloudflare 资源 | 一句话让 AI 查 Pages / D1 / KV / R2，不用登录控制台 |
查/改手机上的文件 | AI 在工作区内读写文件，路径限制在工作区内 |
Related MCP server: Cloudflare MCP Server
只需要 3 步：
步骤 | 操作 |
1 | 下载本项目 ZIP（GitHub 页面 → Code → Download ZIP） |
2 | 把 ZIP 丢给手机上的 AI 助手（RikkaHub / Coomi 等），粘贴下面这句提示词： |
3 | 等 AI 装完，把 |
请把 cloudflare-workspace-mcp.zip 解压到当前工作区，然后运行 bash install.sh。
如果安装中遇到问题，根据报错自动修复后重试，直到 install.sh 自检全部通过。
完成后告诉我：
1. MCP 客户端配置方法（run.sh 的绝对路径）
2. 需要我手动填写的 Cloudflare 凭据（.env 文件路径和获取地址）
全程自动执行，不要让我手动操作。步骤 | AI 做的事 |
1 | 解压 ZIP 到工作区 |
2 | 运行 |
3 | 自检所有依赖，缺什么当场补装 |
4 | 输出 MCP 配置 + 提示你填凭据 |
💡 你唯一要手动做的：在
.env里填 Cloudflare API Token 和 Account ID（这是你的私有密钥，AI 无法替你生成）。install.sh 会提前创建好模板，不会等你用到 Cloudflare 功能才发现环境不完整。
# 1. 解压后进入目录，一键安装（自动装依赖 + 生成 run.sh + .env 模板 + 自检）
bash install.sh
# 2. 编辑工作区 .env 填入凭据
# ~/workspace/.env
# 3. 把 run.sh 接入 MCP 客户端MCP 客户端配置（mcpServers 里加一条）：
{
"mcpServers": {
"cf-workspace": {
"command": "/绝对路径/cloudflare-workspace-mcp/run.sh",
"type": "stdio"
}
}
}对比项 | 本项目 | 官方 Cloudflare MCP | 社区远程 Workers MCP |
本地 shell 工作区 | ✅ 有（local / proot 双后端） | ❌ | ❌ |
Android 支持（无 root） | ✅ proot 沙箱 | ❌ | ❌ |
Cloudflare 管理 | ✅ Pages / D1 / KV / R2 | ✅ | ✅ |
凭据在哪 | 🔒 本机 | 远程服务 | 远程服务 |
可扩展性 | 完整 shell，想装什么装什么 | 只有预置函数 | 只有预置函数 |
部署方式 | 本地 | 远程 API | 远程 API |
核心区别：别的项目给 AI 的是"专用工具包"，这个项目给 AI 的是"整间办公室"——而且是本地的，凭据不出设备。
在 Android（Termux / RikkaHub 等）上，无需 root 即可获得完整 Debian 环境：
# 1. 准备 proot 二进制（来自 Termux 的 proot 或 RikkaHub 内置）：
# libproot_exec.so + libproot_loader.so → ~/proot-bin/
# 2. 准备 Debian rootfs（约 1GB）→ ~/debian-fs/
# 3. install.sh 自动检测：存在 proot 则用 proot 后端；否则用 localCFMCP_BACKEND 取值：
值 | 行为 |
| 已运行在沙箱内（如 RikkaHub 工作区即 rootfs）→ 自动用 local，避免沙箱嵌套；否则检测到 proot 二进制则用 proot |
| 直接本机 shell |
| 强制 proot 沙箱 |
RikkaHub 用户注意：RikkaHub 的工作区本身就是 rootfs（已处于沙箱内），不要再套一层 proot——
auto会自动检测并回落 local。启动日志打印inSandbox=true/false供排查。
依赖说明：
cloudflare_api/cloudflare_status/d1_query是纯 REST（宿主 Node 原生 fetch），不需要 wrangler；只有cloudflare_deploy需要 wrangler（npm install -g wrangler）。
工具 | 说明 |
| 在工作区执行任意 shell 命令（ |
| 读取工作区文件（UTF-8） |
| 写入/覆盖工作区文件（自动建目录） |
| 列出工作区目录内容 |
| Cloudflare REST API 通用网关：任意 |
| 只读资源清单：Pages / D1 / KV / R2 / Zones / Workers， |
| 对 D1 执行只读 SQL（仅 SELECT，纯 REST，无需 wrangler/jq； |
| 部署到 Pages： |
变量 | 必填 | 默认 | 说明 |
| ✅ | — | 工作区目录（映射为 |
|
|
| |
|
| proot 二进制/rootfs 所在目录 | |
| — | D1 数据库名（ | |
| — | Pages 项目名（ | |
|
| 部署源目录（相对工作区， | |
|
| 部署脚本（相对工作区，无显式参数时优先执行） | |
|
| Cloudflare 凭据文件 |
凭据：CLOUDFLARE_API_TOKEN / CLOUDFLARE_ACCOUNT_ID 仅从工作区 .env 读取，注入命令环境，绝不写入仓库或输出。
路径防护：read_file / write_file 拒绝解析到工作区之外的路径。
只读 SQL：d1_query 强制 SELECT 前缀。
部署授权：cloudflare_deploy 动线上，建议在 MCP 客户端层要求用户确认。
危险操作：execute_command 是完整 shell，AI 可能执行任何命令——请只对可信的 AI 暴露此服务器。
npm test # 语法检查
# CI（GitHub Actions）：全新 Ubuntu 环境自动跑「install.sh 一键安装 → 启动 → 工具清单 → 执行命令」验证MIT
Cloudflare REST API 通用网关：用 method/path/body 直接调用 Cloudflare API（自动注入 token/account_id）。path 里可用 {account_id} 占位符（自动替换）。常用路径见工作区 CF_API.md。示例：GET /zones、GET /accounts/{account_id}/workers/scripts、GET /accounts/{account_id}/kv/namespaces、POST /zones。⚠️ 全权限直通，删除类操作需用户明确授权。
Inputs: path (required), body, method.
部署工作区目录到 Cloudflare Pages（动线上，需用户明确授权后调用）。project/branch/src_dir/build_cmd 均可参数化；不传参数且工作区有部署脚本（CFMCP_DEPLOY_SCRIPT，默认 deploy.sh）时优先执行脚本。需要 wrangler（npm install -g wrangler）。
Inputs: branch, project, src_dir, build_cmd.
查看 Cloudflare 账户资源清单（只读，纯 REST）。type 可选：all（默认）/pages/d1/kv/r2/zones/workers。
Inputs: type.
对 D1 数据库执行只读 SQL（仅 SELECT，防误写库；纯 REST，无需 wrangler/jq）。database 默认取 .env 的 CFMCP_D1_DB。
Inputs: sql (required), database.
在工作区内执行任意 shell 命令（local 后端直接本机 shell；proot 后端为 Debian 沙箱，Node + wrangler 已装）。cwd 默认 /workspace。
Inputs: command (required), cwd, timeout.
列出工作区下目录内容（d 前缀=目录）。
Inputs: path.
读取工作区下文件内容（UTF-8）。
Inputs: path (required).
写文件到工作区（自动创建父目录）。
Inputs: path (required), content (required).
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Scored across 8 tools
Most tools have clearly distinct purposes: file operations, shell execution, Cloudflare resource listing, API gateway, D1 query, and deployment. However, cloudflare_status, cloudflare_api, and d1_query all offer Cloudflare data access with different scope, so an agent could be uncertain which to use for a given resource query.
Naming mixes verb_noun patterns for workspace tools (read_file, write_file, list_files) with product-prefixed names for Cloudflare tools (cloudflare_status, d1_query, cloudflare_deploy). The conventions are readable but not uniformly applied, reducing predictability.
Eight tools is well-scoped for a workspace-and-Cloudflare MCP server. Each tool fills a distinct role—file operations, command execution, resource inspection, generic API access, D1 queries, and deployment—without unnecessary bloat.
The set covers core file read/write/list and Cloudflare management via a generic API gateway, but lacks a dedicated delete_file operation and a D1 write query. These gaps can be worked around using execute_command or cloudflare_api, but they are obvious omissions for a workspace and database tool.
The bridge from K2 agents through Wrangler to your master AI - safe, approval-gated Cloudflare ops.
Work on your own computers from Claude or ChatGPT: run commands, edit and search files.
Persistent cloud workspaces for AI agents: run commands, edit files, use git and a browser.
Develop, manage, and debug Railway projects, services, and deployments from within agents.
